IntroductionDémarcheApprofond. 1Approfond. 2Approfond. 3ConclusionApprofond. 4 Définition dun cadre méthodologique pour la conception de modèles multi-agents

Introduction Démarche Approfond. 1 Approfond. 2 Approfond. 3 ConclusionApprofond. 4

Définition d’un cadre méthodologique pour la conception de modèles multi-

agents adaptée à la gestion des ressources renouvelables

Soutenance de thèse, Université de Montpellier 2, école doctorale I2S

7 mai 2009

Pierre Bommel

2 Introduction Démarche Approfond. 1 Approfond. 2 Approfond. 3 ConclusionApprofond. 4

Contexte de la thèse

Equipe pluridisciplinaire du Cirad sur la gestion des ressources renouvelables

Interactions :

gestion collective, disponibilité et

conflits d’accès, pollution,

épidémies, viabilité…

Dynamiques naturelles

couvert

sol

Dynamiques économiques et sociales

foncier


Simulations

Modèle

Représentation

Simulateur

Scientifiques

Décideurs

Producteurs

adéquation?

?

Con

fian

ce, U

tilité?

Fiabilité

?

Robustesse

Adéquation au discours

?Objectivité

0

2000

4000

6000

8000

0 5 10 15 20 25 30 35

forêt

arbres de valeur

jachère

pâturage

troupeau

cacao

culture annuelle

Forêt+cacao

Superficie(alquère)

ans0

2000

4000

6000

8000

0 5 10 15 20 25 30 35

forêt

arbres de valeur

jachère

pâturage

troupeau

cacao

culture annuelle

Forêt+cacao

Superficie(alquère)

ans

Résutats

Scénarios prospectifs


Des questions sur les modèles multi-agentsface à d'autres formes de modélisation

Robustesse du modèle Réplication et alignement de modèles Lisibilité des modèles multi-agents Statut de la simulation et ses conséquences

pour la validation des SMA• Fiabilité du simulateur • Vérification et « validation »”Building the model right” vs ”Building the right

model” [Balci, 1998]

Besoin de proposer un cadre méthodologique pour la conception de modèles multi-agents


Une vision "standard" de la modélisation

Une démarche

Observationdu système Calibration

AnalyseConceptualisation ValidationImplémentation

• Le processus de modélisation

Des limites• Validation• Observation


Qu'apporte la notion de validation à un modèle ?

Comparer les résultats à des données empiriques Essentiel … mais pas suffisant pour assurer la

validité du modèle• Quelles données ? Quelle corrélation ? Combien de jeux

de données cf. Cygne noir [Taleb, 2008] • Quel fonctionnement du modèle ? Résultats cohérents,

modèle aberrant • Réfutation comme critère d'invalidité [Popper, 1973;

Lakatos 1974] Il est donc dangereux de parler de modèle validé

• Modèle validé = modèle juste• Certitude => décisions en se fiant aux seuls résultats

Proposition de substituer "évaluation, vraisemblance" du modèle à "validation"




L'observation est-elle neutre ?

Les limites du représentationnisme• Observation non neutre, issue de l'adaptation de modèles

cognitifs :”la théorie joue un rôle crucial préalablement à l'observation: elle l'oriente” [Chalmers, 1982]

• Sélection au préalable les variables que nous considérons déterminantes

• Construction d'une re-présentation [Piaget, 1968], [Watzlawick, 1978], [Damasio, 1999]

Une illusion de neutralité du modèle quand l'option KIDS est choisie [Edmonds & Moss, 2004]

Proposition : révéler la complexité au travers de la simulation plutôt qu'au travers de la structure du modèle




Le processus de modélisation est-il une démarche linéaire ?

Modèle du domaine

Modèle opérationnel

Modèle de conception

Environnement de simulation informatique

Résultats

Analyses

Interprétation

Conceptiondétaillée


Executions Implémentation

Phénomène cible

Théories Observations

Vérification interne

Vérification externe

Validation interne

Validation externe

contrôler l’implémentation du simulateur, ( “débuggage”)

cohérence entre le modèle opérationnel et l'implémentation

cohérence entre modèle conceptuelet les résultats des simulations

adéquation entre le modèle etle phénomène étudié

“Validation”

Vérification

[Meurisse, 2004 ]




ConcevoirStructurerFormaliser

ÉvaluerComparer

Les deux apports centraux de la thèse

1) Une proposition de démarche méthodologique• Vers un processus récursif

de modélisation

2) Des approfondissements de phases techniques • Gestion du temps et des

interactions• Sensibilité• Réplication• Evaluation

ComprendreAnticiper


I. Une proposition d'un cadre méthodologique

Explicitation de la question centrale

Question


Une proposition d'un cadre méthodologique

Explicitation de la question centraleLa récursive de la démarche


ÉvaluerComparer

Question


Une proposition d'un cadre méthodologique

Explicitation de la question centraleLa réflexité de la démarcheLa nécessité d'autres phases

• Communication• Réplication/ critique


Conceptionglobale

Cohérence des comportements

individuels

Testsunitaires

Testsunitaires

Testsunitaires

Simplification

Complexification

Conceptionglobale


Analyse de sensibilité

Implémentation

Autre modèle

Comparaison à des données

Comparaison à d’autres modèles E

valu

atio

n

AnalyseConception

AnalyseConception

ExplorationÉvaluation


Définition des objectifs

Question

De deux phases….


Question

AnalyseConception

AnalyseConception




Conceptionglobale

Formalisation

Description adaptée à la

critique

Description adaptée à la réplication

Publication


individuels

Testsunitaires

Testsunitaires

Testsunitaires

Réplicationindépendante


Critiquesdu modèle

Simplification

Complexification

Conceptionglobale



Implémentation


Question

Autre modèle



valu

atio

n

AnalyseConception

AnalyseConception



CommunicationCommunicationRéplicationCritique

RéplicationCritique code

diagrammes

analyses

Mis

e à

disp

ositi

on

Nouveau cyclede modélisation

… à quatre phases


II. les approfondissements des phases techniques

Des resultats sur des points en débat • Gestion des interactions et du temps

dans les SMA• Sensibilité et robustesse des modèles• Réplication du simulateur • Evaluation des modèles

Illustrations à partir d'analyses de modèles existants et de travaux réalisés


Des problèmes intrinsèquement liés

Conceptionglobale

Formalisation


critique


Publication


individuels

Testsunitaires

Testsunitaires

Testsunitaires



Critiquesdu modèle

Simplification

Complexification

Conceptionglobale



Implémentation


Question

Autre modèle



valu

atio

n

AnalyseConception

AnalyseConception





diagrammes

analyses

Mis

e à

di

spos

ition

II. les approfondissements des phases techniques Gestion du temps et des

interactions 3 problèmes :

• Les artefacts liés à la gestion du temps

• Les conflits liés à la gestion des interactions et à l'autonomie des agents

• L'ordonnancement des activations


Parallèlisme et résolution de conflitstep

moveWest

extinct

[Fire] [¬Fire]

perceiveFire

stepstepstep

moveWest

extinct

[Fire] [¬Fire]

perceiveFire

moveWestmoveWest

extinctextinct

[Fire] [¬Fire]

perceiveFireperceiveFire

incrémenterTemps

propager

:Feu:OrdonnanceurSynchrone

bougerOuest

éteindre

:Pompier

incrémenterTemps

propager

:Feu:OrdonnanceurSynchrone

bougerOuest

éteindre

:Pompier

Synchrone S1: active simultanément la propagation du feu et le déplacement du pompier (2 actions indépendantes)

propager

bougerEstextinction

[¬foret] [cellule Est en foret]

changerCouvert(Cendre)

changerCouvert(feu)

propagerpropager

bougerEstbougerEstextinctionextinction

[¬foret] [cellule Est en foret]

changerCouvert(Cendre)changerCouvert(Cendre)

changerCouvert(feu)changerCouvert(feu)

:OrdonnanceurAsynchrone :Pompier:Feu

incrémentation du tempst ← t+1

propager()

stepPompier() bougerOuest()

éteindre()

sd: main step A1

:OrdonnanceurAsynchrone :Pompier:Feu

incrémentation du tempst ← t+1

propager()

stepPompier() bougerOuest()

éteindre()

sd: main step A1

Asynchrone A1: l'ordonnanceur active d'abord la propagationdu feu, puis il active le pompier


Illustration : parallèlisme et résolution de conflit

Pompier Foret

FeuExtinction

Cendre Vide

Asynchrone A1stepDiffusionpuis stepPompier

Asynchrone A2stepPompierpuis stepDiffusion

SynchroneS1 et S2

État initial EI2État initial EI1

t0

t1

t2

EI1-A1

t0

t1

t2

EI2-A1

t0

t1

t2

EI1-A2

t0

t1

t2

EI2-A2

t0

t1

t2

EI1-S1 S2

t0

t1

t2

EI2-S1 S2

Pompier Foret

FeuExtinction

Cendre Vide

Pompier Foret

FeuExtinction

Cendre Vide

PompierPompier ForetForet

FeuFeuExtinctionExtinction

CendreCendre VideVide

Asynchrone A1stepDiffusionpuis stepPompier

Asynchrone A2stepPompierpuis stepDiffusion

SynchroneS1 et S2

État initial EI2État initial EI2État initial EI1État initial EI1

t0

t1

t2

EI1-A1

t0

t1

t2

t0t0

t1t1

t2t2

EI1-A1

t0

t1

t2

EI2-A1

t0

t1

t2

t0

t1

t2

EI2-A1

t0

t1

t2

EI1-A2

t0

t1

t2

t0t0

t1

t2

EI1-A2

t0

t1

t2

EI2-A2

t0

t1

t2

t0

t1

t2

EI2-A2

t0

t1

t2

EI1-S1 S2

t0

t1

t2

t0t0

t1

t2

EI1-S1 S2

t0

t1

t2

EI2-S1 S2

t0

t1

t2

t0

t1

t2

EI2-S1 S2

step

moveWest

extinct

[Fire] [¬Fire]

perceiveFire

stepstepstep

moveWest

extinct

[Fire] [¬Fire]

perceiveFire

moveWestmoveWest

extinctextinct

[Fire] [¬Fire]

perceiveFireperceiveFire

step

moveWest

extinct

[Fire] [¬Fire]

perceiveFire

[Fire]

[¬Fire]

perceiveFire


Simultanéité et résolution de conflit

Aucun choix technique de gestion des interactions n' y échappe • Architectures multiprocesseurs, distribuées ou

multithreadées o La cohérence du monde simulé est plus difficile à

maintenir. o Fonctionne si activités indépendantes o Nécessité de synchroniser les agents quand ils

interagissent, mais mêmes problèmes que dans les situations classiques.

• Simuler le parallélisme : artifices des automates cellulaires ou principe Influence-Réaction [Ferber & Müller, 96]

o Percevoir le même état du monde, reporter la validation des actions


L'ordonnancement des activations

Le cas d' interactions indirectes

Reimplémentation de [Michel, 2004]

1 2..*< consume

Resource

levelgrowthIndex=10

growBack()

Agent

energycataRateMax=10hungryThreshold=7satietyThreshold=10

stepconsume()doNothing()catabilism()

consumer

random(0;cataRateMax)

A B

R

seuilFaim (7)

seuilSatiété (10)

énergie niveau de ressource

consommer


Gestion des interactions

level ←level+growthIndex

consume(satietyThreshold-energy)

sd: scénario 1

res:Resource

t ← t+1

sortingAgentsOrder()

* step()

growback()

ag:Agent

[ag.energy<ag.hungryThreshold]

updateAgentList()

:Scheduler

level ←level- qty

catabolism

energy ← energy + qty

qty

qty=Min(level ;satietyThreshold-energy)energy←energy -

random(0;cataRateMax)


consume(satietyThreshold-energy)

sd: scénario 1

res:Resourceres:Resource

t ← t+1t ← t+1

sortingAgentsOrder()

* step()

growback()

ag:Agentag:Agent


updateAgentList()updateAgentList()

:Scheduler:Scheduler

level ←level- qty

catabolism

energy ← energy + qty

qty

qty=Min(level ;satietyThreshold-energy)qty=Min(level ;satietyThreshold-energy)energy←energy -

random(0;cataRateMax)energy←energy -random(0;cataRateMax)


sd: scénario 2

res:Resource

t ← t+1

* step()

growback()

ag:Agent


updateAgentList()

:Scheduler

level ←level- qty

catabolism

energy ← energy + qty’

energy←energy -random(0;cataRateMax)

qtyAsked←satietyThreshold-energy

distributeEnergy()

see distributeEnergyactivity diagram


sd: scénario 2

res:Resourceres:Resource

t ← t+1t ← t+1

* step()

growback()

ag:Agentag:Agent


updateAgentList()updateAgentList()

:Scheduler:Scheduler

level ←level- qty

catabolism

energy ← energy + qty’

energy←energy -random(0;cataRateMax)energy←energy -random(0;cataRateMax)

qtyAsked←satietyThreshold-energy

distributeEnergy()

see distributeEnergyactivity diagramsee distributeEnergyactivity diagram

Scénario 2, principe "Influences-Réaction"Calcul des quantités demandées, puis restitution par la plante (environnement) au prorata

scénario 1, consommation séquentielle. Chaque agent consomme au moment de son activation.L'ordre d'activation des agents est étudié

A B

R

Distribution au prorata

Quantitédésirée

Quantitédésirée

AA BB

RR

Distribution au prorata

Quantitédésirée

Quantitédésirée

A B

R

consommerAA BB

RR

consommer


0

50

100

150

200

250

32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

Indice d'accroissement de la ressource (en unité de biomasse par pas de temps)

Date

1èr

e ex

clus

ion

Influence/Reaction

MixedOrder

WeakestFirst

StrongestFirst

Durée de cohabitation

Gestion des interactions

0

5

10

15

20

25

0 10 20 30 40 50 60 70 80 90 100

In d ice d e r é g é n é r at io n d e la r e s s o u r ce

Nb

d'a

ge

nts

co

ex

ista

nts

Influen/Reaction

m ixedOrder

Indicateur de coexistence

0

0,2

0,4

0,6

0,8

1

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

in d ice d e cr o is s an ce d e la r e s s o u r ce

ind

ice

de

co

rré

lati

on

influen/Reactionm ixedOrderweakestFirs ts trongestFirs t

Indicateur "corrélation des comportements"

Degré de co-dépendance des agents, [Parunak et al. , 2003].Calcul inspirer de l'indice de Shannon


Des résultats : Gestion du temps ET des interactions

L'approche évènementielle n'apporte pas d'avantage clair pour la modélisation des ressources renouvelables• Physique continue, difficile à mettre en œuvre

L'approche par pas de temps se justifie• Plus simple• Activation asynchrone randomisée sans influence sur les

résultats Simultanéité des actions vs ordonnancement

• résolution de conflit lors d'interactions Le choix technique de la gestion du temps ou des

interactions n'est pas neutre. • Ordre d'exécution des agents est lié au domaine

o Tri des agents par ordre de vivacité, de force, de proximité, etc. o L'ordonnancement constitue un élément du modèle

• La gestion des interactions, directes ou indirectes, fait partie intégrante du modèle

• Le concepteur doit la prendre en charge totalement, la spécifier et la justifier


Conceptionglobale

Formalisation


critique


Publication


individuels

Testsunitaires

Testsunitaires

Testsunitaires



Critiquesdu modèle

Simplification

Complexification

Conceptionglobale



Implémentation


Question

Autre modèle



valu

atio

n

AnalyseConception

AnalyseConception





diagrammes

analyses

Mis

e à

di

spos

ition

II. les approfondissements des phases techniques Sensibilité des modèles et

robustesse

Au delà de la sensibilité, l'exploration du modèle • Vérifier la cohérence des

comportements individuels : analyse détaillée

• Analyse de sensibilité o Signatures des paramètres o Sensibilité globale / locale o Analyse des configurations

initiales


Illustration : Exploration de modèle

ECEC, Evolution of Cooperation : Réplication de [Pepper & Smuts 2000]

2 dynamiques en interactionUn modèle didactique, souvent

présenté• Comparaison avec Lotka-Volterra • Illustration du principe de Gause• Réfutation du principe de Gause


ECEC, structure

8

Landscape

Elements *

Unrestrained

-harvestRate = 0.99

Restrained

-harvestRate = 0.5

VegetationUnit

K = 10

r = 0.2

energy

step()

logisticGrowth()

neighbours

occupant

0..1< is located on

patch

1

Forager

catabolicRate = 2

fertilityThreshold = 100

harvestRate

energy

step()

energyConsume()

move()

eat()

reproduce()

die())

K

x(1rxxx t

tt1t


0

1

2

0 20 40 60 80 100

Proies (x)

Predateurs (y)

0

50

100

150

0 100 200 300 400 500

0

1000

2000

3000

4000

5000

unrestrainedSize

restrainedSize

plantEnergy

p.x.ym.y dtdy

p.x.yn.x dtdx

Ecec, résultats

Comparaison avec Lotka-Volterra


Sensibilité locale/ globale

Choix des indicateurs• Valeur à T, Moyennes, …• Développement durable

L'analyse de l'ordonnancement : pas de différences

Sensibilité locale

Sensibilité globale• [Ginot et Monod, 2006]

• Hiérarchisation des paramètres

distance S(tot, i)

0

5

10

15

20

25

30

35

40

Unr

est_

harv

estR

ate

Unr

est_

fert

ility

Res

t_ha

rves

tRat

e

Unr

est_

met

abol

ic

Unr

est_

initN

b

Pla

nt_K

Pla

nt_r

Res

t_m

etab

olic

Res

t_fe

rtilit

y

Unr

est_

initE

nerg

y

Res

t_in

itEne

rgy

Pla

nt_e

nerg

yMax

Init

Res

t_bi

rthR

ange

Unr

est_

birt

hRan

ge

Res

t_in

itNb

S-Unrestrained

0

1

2

3

4

5

6

Pla

nt_K

Pla

nt_r

Pla

nt_e

nerg

yMax

Init

Unr

est_

fert

ility

Res

t_fe

rtilit

y

Unr

est_

met

abol

ic

Res

t_m

etab

olic

Unr

est_

harv

estR

ate

Res

t_ha

rves

tRat

e

Unr

est_

initE

nerg

y

Res

t_in

itEne

rgy

Unr

est_

birt

hRan

ge

Res

t_bi

rthR

ange

Res

t_in

itNb

Unr

est_

initN

b


Signature des paramètres

Connaître l'influence d'un paramètre sur un indicateur

Valeur du paramètre

Taille de la population- des restraints- des non-restraints


Analyse des configurations initiales

Degrès variés de fragmentation spatiale

Le principe de l'inversion de l'exclusion compétitive

0

1000

2000

3000

4000

0 2 4 6 8 10

Distance entre patchs

Dat

e d'

excl

usio

n

0

10

20

30

40

50

Tai

lle p

opul

atio

n à

T=4

000

Patch : 3x3

0

1000

2000

3000

4000

0 2 4 6 8 10

Distance entre patchs

Dat

e d'

excl

usio

n

0102030405060708090100110120130140

Tai

lle p

opul

atio

n à

T=4

000

Patch : 5x5


Des résultats Exploration : une phase longue mais

indispensable pour comprendre le comportement du modèle• Vérifier et corriger les anomalies • Hiérarchiser l'influence des paramètres• Simplifier le modèle dans certains cas • Découvrir des nouvelles propriétés – non prévues dans

la conception initialeo [Ginot, 2003] "cette analyse peut bousculer les idées reçues, il

serait dommage de s'en passer" => remises en questions constructives

Robustesse [Grimm & Railsback, 2005] • hypersensibilité • schémas généraux d'évolution (patterns)• zones de stabilité dans l'espace des paramètresMieux comprendre, expliquer, anticiper les réponses


Conceptionglobale

Formalisation


critique


Publication


individuels

Testsunitaires

Testsunitaires

Testsunitaires



Critiquesdu modèle

Simplification

Complexification

Conceptionglobale



Implémentation


Question

Autre modèle



valu

atio

n

AnalyseConception

AnalyseConception





diagrammes

analyses

Mis

e à

di

spos

ition

II. les approfondissements des phases techniques

Réplication des modèles Toute démarche

scientifique doit être réplicable

• Difficulté de réplication des SMA ([Hales et al., 2003], M2M)

• 4 réplications faites : • Interactions [Michel, 2004],

• ECEC [Pepper & Smuts 2000] • Sugarscape [Epstein & Axtell,

1996]

• Dricol [Thébaud & Locatelli, 2001], [Sudgen, 1989]


Des résultats

Constats dans l'analyse des exemples de réplication• Descriptions insuffisantes • Faiblesse des spécifications de la gestion du temps et des interactions

Réplication• Une étape nécessaire • A faire par d'autres modélisateurs que le(s) concepteur(s) du modèle

initial • Simplicité du modèle facilite la réplication

Nécessité de retravailler la description du modèle• Proposition de protocole ODD (Overview, Design concepts & Details), [Grimm et al.,

2006]

• Diagramme UML revus et adaptés à tout public • D'autres types de diagrammes restent à imaginer

Mise à disposition des diagrammes, du code et des analyses

La réplication renforce la fiabilité du simulateur et permet de réfuter un modèle : [Edmonds & Hales, 2003][Riolo et al., 2001]


Conceptionglobale

Formalisation


critique


Publication


individuels

Testsunitaires

Testsunitaires

Testsunitaires



Critiquesdu modèle

Simplification

Complexification

Conceptionglobale



Implémentation


Question

Autre modèle



valu

atio

n

AnalyseConception

AnalyseConception





diagrammes

analyses

Mis

e à

di

spos

ition

II. les approfondissements des phases techniques Evaluation

Impossibilité épistémologique de valider un modèle [Popper, 1985] [Bradbury, 2002]• Définir la notion de

vraisemblance du modèle par rapport au système étudié

• Donner une valeur au modèle par l'évaluation, non quantifiable

Quels critères pour donner une valeur à un modèle? • Capacité du modèle à prédire de

nouvelles observations : vérification sur des analyses rétrospectives, anticipation

• Modèle ad'hoc vs modèle à haute valeur informative


Achat lot

Force de travail

Eleveur

Planteur

Sans terre

Ressources financièresAgent

MO $

couvert

sol

Gestion de l’exploitation

Embauche de maind'œuvre occasionnelle

Vente de maind'œuvre familiale

Flux de maind’œuvre

Flux d’argent

Récoltes

+

+ -

-

+

Consommation -

-

Exploitation

+ -

Restauration

Maladie -

+Vente lot

-

Achat lot

Force de travail

Eleveur

Planteur

Sans terre

Eleveur

Planteur

Sans terre

Ressources financièresAgent

MOMO $$

couvert

sol

couvert

sol

Gestion de l’exploitation

Embauche de maind'œuvre occasionnelle

Vente de maind'œuvre familiale


Flux d’argent


Flux d’argent

Récoltes

++

++ --

--

++

Consommation -Consommation --

--

Exploitation

++ --

Restauration

Maladie --

++Vente lot

--

Modèle TransAmazon : d'un modèle ad'hoc à modèle adaptatif Premier cycle de modélisation: une typologie figée de

comportements d'agents Modèle descriptif• Calendrier d'activités , comportements figés • Bonne reproduction des observations

Second cycle : plus de typologie mais la possibilité de choisir entre 2 stratégies Modèle explicatif• Typologie est reconstituée (émergence)• Bonne reproduction des observations et des parcours de vie • Pas de réponse à un scénario d'incitation à la préservation

de la forêt: ajout nécessaire d'une troisième stratégie (ad'hoc)

Troisième cycle : des comportements plus génériques à base de règles Modèle adaptatif• Création dynamique de stratégies (émergence)• Réponse en terme d'anticipation : simulation de N scenarios

par les agents et choix d'un des scénarios selon critères • Capacité de répondre à un choc exogène quelconque


Agent

Espace

VicinaleExploitationpropriétaire

Parcelle

Lot

Stratégie

SansTerre EleveurPlanteur

Famille

Couverture

CulturePérenne

Jachère

ForetPâture

Troupeau

CultureAnnuelle

CouvertureVegetale

Agent

Espace


Parcelle

Lot

Stratégie


Famille

Couverture

CulturePérenne

Jachère

ForetPâture

Troupeau

CultureAnnuelle

CouvertureVegetale

AgentAgent

Espace


Parcelle

Lot

EspaceEspace

VicinaleVicinaleExploitationpropriétaire

Exploitationpropriétaire

ParcelleParcelle

LotLot

Stratégie


FamilleStratégie


StratégieStratégie

SansTerreSansTerre EleveurEleveurPlanteurPlanteur

FamilleFamille

Couverture

CulturePérenne

Jachère

ForetPâture

Troupeau

CultureAnnuelle

CouvertureVegetale

CouvertureCouverture

CulturePérenne

Jachère

ForetPâture

Troupeau

CultureAnnuelle

CouvertureVegetale

CulturePérenneCulturePérenne

JachèreJachère

ForetForetPâturePâture

TroupeauTroupeau

CultureAnnuelleCultureAnnuelle

CouvertureVegetaleCouvertureVegetale

-consoIndividuelle=50$/mois-tarifMO = 100$/mois-probaMalade=5%/semestre -seuilExclusion = -1500$-membres = {2;8}-MOactive = {1;4}-inactifs = {1;4}-solde : $

propriétaire+valeur()...

Exploitationgère >1

propriété

1

Planteur

+stepSaisonSèche()+stepSaisonPluie()

Eleveur


Stratégie


+acheterLot()+vendreMO()

+vendreLot()

+bilan()

< applique1 1

Agriculteur

+supprimer (Couvert)+implanter (Couvert)+entretenir (Couvert)

+embaucherMO()+récolter()

+bilan()

SansTerre

+stepSaisonSèche()+stepSaisonPluie()+bilan()

Famille

+appliquerStratégie()

+consommer()+majMO()

+changerStrategie()

-consoIndividuelle=50$/mois-tarifMO = 100$/mois-probaMalade=5%/semestre -seuilExclusion = -1500$-membres = {2;8}-MOactive = {1;4}-inactifs = {1;4}-solde : $

propriétaire+valeur()...

Exploitation

+valeur()...

Exploitationgère >1

propriété

1

Planteur


Eleveur


Planteur


Planteur


Eleveur


Eleveur


Stratégie


+acheterLot()+vendreMO()

+vendreLot()

+bilan()

< applique1 1

Agriculteur

+supprimer (Couvert)+implanter (Couvert)+entretenir (Couvert)

+embaucherMO()+récolter()

+bilan()

SansTerre

+stepSaisonSèche()+stepSaisonPluie()+bilan()

Famille

+appliquerStratégie()

+consommer()+majMO()

+changerStrategie()

Second cycle de modélisation

2 stratégies


Emergence de la typologie Dynamique sous forme de parcours

de vie cohérents

[Ferreira, 2001], [Bonaudo, 2005]

Second cycle de modélisation


Décision de la prochaine stratégie basée sur le bilan annuel => pas d'innovation

Agent anticipatif : parcours de graphes• Imagine un ensemble d’itinéraires d’assolement

Troisième cycle de modélisation

[Stinckwich, 2003], [Bonté, 2007]


Une analyse sur la valeur informative d'un modèle

Modèle ad'hoc • Descriptif : fait pour présenter des données et lié à ces

données • Pas de dimension explicative • Ne peut réagir à d'autres types d'événements exogènes

Modèle à haute valeur informative• Capacité de répondre à des événements exogènes • Via une plus grande autonomie des agents• Dimension explicative : la cohérence des réponses du

modèle permet d'inférer sa généricité cad son application à un domaine plus large

Un modèle générique, applicable à des situations variées et capable de réagir à des chocs exogènes, constitue une progression dans la connaissance du système étudié• Points essentiels qui déterminent évolution du système

sont identifiés


Conclusions

Enrichissement de la démarche vs conception de modèles simples, fiables, lisibles et reproductibles

Une question centrale mais glissanteDu modèle descriptif au modèle adaptatif

en ciblant la question de rechercheHaute valeur Haute valeur informativeinformativeAd HocAd Hoc

Modèle descriptif

Modèle explicatif

Modèle adaptatif

Question


ÉvaluerComparer

Question

Comprendre

EVALUERCOMPARER

QQ11QQ22

CONCEVOIRSTRUCTURER


Obrigado


Le statut de la simulation et ses conséquences

pour la « validation » des SMA Distinguer "modèle ", "simulateur" et "simulation" [Zeigler

et al., 2000] • concevoir un SMA ne donne pas forcément accès à la compréhension de

son comportement. • Le cerveau humain n'est pas capable de "prendre en compte en même

temps le comportement d'un grand nombre d'éléments qui s'influencent mutuellement" [Deffuant et al., 2003a].

• La force de la simulation est justement de permettre cette prise en compte.

La simulation révèle l'importance du temps (TEMPS)• La simulation consiste à faire s'exprimer un modèle. • En déroulant le temps, elle permet de déplier sa représentation. • Révélation de comportements surprenants. • Emergence

La simulation révèle la complexité • La complexité selon Von Neumann

o une machine est complexe si l’ensemble de ses comportements possibles est infiniment plus difficile à caractériser que ses règles de fonctionnement

La simulation : une expérience incompressible• sans raccourci • qui ne se démontre pas


Les artéfacts liés à la gestion du temps

Les modèles à temps continuo Prise en compte difficile des interactions

(continues et réparties de façon homogène dans l'espace).

o Prise en compte difficile des perturbations ponctuelles.

Transformation en modèles à temps discret

K)t(X 1 ).t(rX.t )t(X )tt(X

0

20

40

60

80

100

0 10 20 30 40 50

Δt=0,05

Δt=0,1

Δt=1

Δt=2

Δt=4

continue

K

X 1 .rX X X ttt1t

Kx1r.x.

dtdx

Développement de Taylor d'ordre 1 (approximation linéaire) :

)x ).(x(xf' )f(x f(x)000


Les artefacts liés à la gestion du temps

Les modèles à événements discrets

Gestion événementielle pour des problèmes physiques continus


Gestion événementielle ou par horloge ? Choix ouvert pour des problèmes de gestion des

ressources

[Lawson et Park, 2000]

Sugarscape [Epstein & Axtell, 1996]

Modèle original : Mode synchrone : fortes oscillations•Extinction d’agents => une disponibilité d’espace => bcp de naissances. •Occupation de tout l’espace => limite le nombre de naissances. •Mais ils vont aussi tous mourir approximativement au même moment

Réplication [Michel, 2004] En mode asynchrone par événements, oscillations sont amorties :•Génération des événements suit une loi de Poisson. •Les naissances sont distribuées de façon plus homogène La gestion événementielle bernoullienne amortit les oscillationsen atténuant progressivement l'uniformité de la population.

Test : en mode synchrone par pas de temps, tirage bernoullien avec remiseoscillations sont amorties :•Confirmation des résultats de Michel

Documents

IntroductionDémarcheApprofond. 1Approfond. 2Approfond. 3ConclusionApprofond. 4 Définition dun cadre méthodologique pour la conception de modèles multi-agents